基于遗传卷积神经网络的微小零件缺陷分类

陶 沙 司 伟 王 奎

（1.铜陵学院，安徽 铜陵 240061；2.中国联合网络通信有限公司，北京 100032）

随着我国工业的发展，尤其是纳米和集成技术的不断进步，对其检测的精度和速度要求越来越高，受到人主观性影响，检测结果往往存在一定偏差，传统的利用显微镜测量显然已经达不到要求。随着计算机的发展，利用计算机视觉去测量微小零件可以获得较高的精确度，但是这种方法有一定的局限性，是由于缺陷特征的选取需要人为的进行，必然会造成测试的准确率有所偏差，卷积网络的诞生解决了测量精度低的问题，为零件检测提供了新的方法。

卷积神经网络是深度学习[1-2]的一种，最近发展比较迅速并广泛应用于各个行业当中。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络(Convolutional Neural Networks-简 称CNN)，卷积神经网络相对别的神经网络有自己的优势，尤其在图像分类上，检测的准确率相对较高。比如在ILSVRC2012比赛事中，Alex Krizhevsky等提出的Alex Net就是以卷积神经网络作为模型对任务进行分类，准确率比第二名高10%，随后又提出VGGNet-Goog Le Net等新的网络结构，进一步提高了准确率。

针对以上问题,本文提出了一种基于遗传算法(GA)优化的卷积神经网络混合模型 (GA-CNN)算法。遗传卷积神经网络的高精度零件缺陷分类结构如图1所示，利用CCD视觉采集图像并对图像进行预处理以及样本标注，对采集到的表面缺陷数据通过遗传卷积算法简称(GA-CNN)进行试验性训练，其中预处理是利用局部区域假设的亚像素边缘算法去提高采集零件图像边缘的清晰度。……